速度配准演算法

❶ 誰能幫忙說下CT原理和反投影重建演算法是神馬書上內容太詭異了，希望用自己的經驗總結簡單一點說明。

把採集到的圖象用仿射變換配准，
為了加快運行速度可以先進行展開。
配准這一步可以在空間域，
也可在頻率域進行
然後按配准結果將這些圖象插合成一幅圖象，
再用最小二乘法求解線性方程組即可。

注意，
最好使用超鬆弛迭代法求解，
但是遇到0的時候結果可能有較大出入，
解決辦法中的一種是圖象矩陣所有元素全部加上1，
計算完成後再全部減去1，
然後再512級灰度量化

這是最簡單的重構方法，
沒有考慮圖象的模糊效應。

此外，如果有矩陣維度問題，
有兩種解決辦法，
一是將插合圖象變成正方形圖象，
一是將各插合行，列按權值累加，
反向映射，
後一種速度快些，
也不必直接求解方程，
但是不具有通用性。

❷ 人臉檢測會不會把鼻子檢測成眼睛

不會，可以識別的。

人臉檢測演算法的輸入是一張圖片，輸出是人臉框坐標序列（0個人臉框或1個人臉框或多個人臉框）。一般情況下，輸出的人臉坐標框為一個正朝上的正方形，但也有一些人臉檢測技術輸出的是正朝上的矩形，或者是帶旋轉方向的矩形。

常見的人臉檢測演算法基本是一個「掃描」加「判別」的過程，即演算法在圖像范圍內掃描，再逐個判定候選區域是否是人臉的過程。因此人臉檢測演算法的計算速度會跟圖像尺寸、圖像內容相關。開發過程中，我們可以通過設置「輸入圖像尺寸」、或「最小臉尺寸限制」、或「人臉數量上限」的方式來加速演算法。

人臉配准

「人臉配准（Face Alignment）」是定位出人臉上五官關鍵點坐標的一項技術。

人臉配准演算法的輸入是「一張人臉圖片」加「人臉坐標框」，輸出五官關鍵點的坐標序列。五官關鍵點的數量是預先設定好的一個固定數值，可以根據不同的語義來定義（常見的有5點、68點、90點等等）。

當前效果的較好的一些人臉配准技術，基本通過深度學習框架實現，這些方法都是基於人臉檢測的坐標框，按某種事先設定規則將人臉區域扣取出來，縮放的固定尺寸，然後進行關鍵點位置的計算。

因此，若不計入圖像縮放過程的耗時，人臉配准演算法是可以計算量固定的過程。另外，相對於人臉檢測，或者是後面將提到的人臉提特徵過程，人臉配准演算法的計算耗時都要少很多。

❸ ICP演算法的介紹

三維空間R3存在兩組含有n個坐標點的點集，分別為： PL和PR。三維空間點集PL中各點經過三維空間變換後與點集PR中點一一對應，其單點變換關系式為：(0-1)上式中，R為三維旋轉矩陣，t為平移向量。在ICP配准方法中，空間變換參數向量X可表示為[9] 。參數向量中四元數參數滿足約束條件為：(0-2)根據迭代的初值X0，由式(0-1)計算新點集Pi為：(0-3)式中，P表示原始未修改過的點集，Pi的下標i表示迭代次數，參數向量X的初始值X0為 。根據以上數據處理方法，ICP配准演算法可以概括為以下七個步驟：1） 根據點集Plk中的點坐標，在曲面S上搜索相應就近點點集Prk；2） 計算兩個點集的重心位置坐標，並進行點集中心化生成新的點集；3） 由新的點集計算正定矩陣N，並計算N的最大特徵值及其最大特徵向量；4） 由於最大特徵向量等價於殘差平方和最小時的旋轉四元數，將四元數轉換為旋轉矩陣R；5） 在旋轉矩陣R被確定後，由平移向量t僅僅是兩個點集的重心差異，可以通過兩個坐標系中的重心點和旋轉矩陣確定；6） 根據式(0-3)，由點集Plk計算旋轉後的點集P』lk。通過Plk與P』lk計算距離平方和值為fk+1。以連續兩次距離平方和之差絕對值 作為迭代判斷數值；7） 當 時，ICP配准演算法就停止迭代，否則重復1至6步，直到滿足條件 後停止迭代